{"version":"1","article":{"id":"italy-mri-radiomics-glioma-encephalitis-2026","slug":"italy-mri-radiomics-glioma-encephalitis-2026","language":"fr","url":"https://haberpaper.com/fr/news/italy-mri-radiomics-glioma-encephalitis-2026","api_url":"https://haberpaper.com/api/v1/articles/italy-mri-radiomics-glioma-encephalitis-2026?lang=fr","title":"Une petite étude italienne teste l’IRM pour distinguer gliome et encéphalite","summary":"Des chercheurs romains ont comparé des modèles de radiomique et d’apprentissage automatique à partir d’IRM sans contraste de 41 patients. Le meilleur modèle FLAIR affiche une AUC de 0,82 ; les auteurs demandent une validation multicentrique plus large.","category":"business","region":"world","topics":["ai"],"published_at":"2026-10-13T20:11:52+03:00","modified_at":"2026-10-13T20:11:52+03:00","publication_basis":"publication-record","event_period":"2026-10-10","event_period_basis":"event-or-reference-period","sources":[{"name":"Scientific Reports, Radiomics and machine learning analysis to differentiate low grade glioma and encephalitis on non-contrast MRI","url":"https://www.nature.com/articles/s41598-026-74097-z","checkedAt":"2026-10-13","publishedAt":"2026-10-10"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/italy-mri-radiomics-glioma-encephalitis-2026","api_url":"https://haberpaper.com/api/v1/articles/italy-mri-radiomics-glioma-encephalitis-2026?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/italy-mri-radiomics-glioma-encephalitis-2026","api_url":"https://haberpaper.com/api/v1/articles/italy-mri-radiomics-glioma-encephalitis-2026?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/italy-mri-radiomics-glioma-encephalitis-2026","api_url":"https://haberpaper.com/api/v1/articles/italy-mri-radiomics-glioma-encephalitis-2026?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/italy-mri-radiomics-glioma-encephalitis-2026","api_url":"https://haberpaper.com/api/v1/articles/italy-mri-radiomics-glioma-encephalitis-2026?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/italy-mri-radiomics-glioma-encephalitis-2026","api_url":"https://haberpaper.com/api/v1/articles/italy-mri-radiomics-glioma-encephalitis-2026?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["Une étude monocentrique publiée le 10 octobre dans Scientific Reports a examiné les IRM 3T sans contraste de 41 patients pour lesquels il était difficile de distinguer, aux urgences, un gliome de bas grade d’une encéphalite. Des chercheurs de l’Université de Rome Tor Vergata et d’unités hospitalières affiliées ont entraîné des classificateurs de forêt aléatoire sur des caractéristiques radiomiques tirées des séquences T2-FLAIR, de diffusion et T1. Le groupe a été réparti entre 31 cas d’entraînement et 10 de validation indépendante. Les modèles basés sur FLAIR ont obtenu les meilleurs résultats ; le modèle multi-séquence combinant radiomique et données cliniques a atteint une AUC de 0,80.","Pour ce modèle combiné, l’article rapporte une sensibilité de 100 %, une spécificité de 80 % et une exactitude de 90 % dans l’échantillon de validation. Mais celui-ci ne comptait que dix patients et les intervalles de confiance étaient larges : l’AUC du modèle FLAIR était de 0,82, avec un intervalle à 95 % de 0,54 à 1,00. Les auteurs parlent d’une preuve de concept et estiment que des études multicentriques plus vastes sont nécessaires avant toute utilisation clinique."],"key_points":[],"sections":[]},"text":"Des chercheurs romains ont comparé des modèles de radiomique et d’apprentissage automatique à partir d’IRM sans contraste de 41 patients. Le meilleur modèle FLAIR affiche une AUC de 0,82 ; les auteurs demandent une validation multicentrique plus large.\n\nUne étude monocentrique publiée le 10 octobre dans Scientific Reports a examiné les IRM 3T sans contraste de 41 patients pour lesquels il était difficile de distinguer, aux urgences, un gliome de bas grade d’une encéphalite. Des chercheurs de l’Université de Rome Tor Vergata et d’unités hospitalières affiliées ont entraîné des classificateurs de forêt aléatoire sur des caractéristiques radiomiques tirées des séquences T2-FLAIR, de diffusion et T1. Le groupe a été réparti entre 31 cas d’entraînement et 10 de validation indépendante. Les modèles basés sur FLAIR ont obtenu les meilleurs résultats ; le modèle multi-séquence combinant radiomique et données cliniques a atteint une AUC de 0,80.\n\nPour ce modèle combiné, l’article rapporte une sensibilité de 100 %, une spécificité de 80 % et une exactitude de 90 % dans l’échantillon de validation. Mais celui-ci ne comptait que dix patients et les intervalles de confiance étaient larges : l’AUC du modèle FLAIR était de 0,82, avec un intervalle à 95 % de 0,54 à 1,00. Les auteurs parlent d’une preuve de concept et estiment que des études multicentriques plus vastes sont nécessaires avant toute utilisation clinique.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"business","url":"https://haberpaper.com/assets/illustrations/business-1536.webp","width":1536,"height":1024,"alt":"Atelier industriel symbolique avec machines, entrepôt et grue.","language":"fr"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"business","url":"https://haberpaper.com/assets/illustrations/business-1536.webp","width":1536,"height":1024,"alt":"Atelier industriel symbolique avec machines, entrepôt et grue.","language":"fr"}}}